TSSRGCN: Temporal Spectral Spatial Retrieval Graph Convolutional Network for Traffic Flow Forecasting
Peking University(北京大学);Microsoft Research Asia(微软亚洲研究院)
交通流预测对于提高交通系统的效率和预防突发事件的发生具有重要意义。由于短、长时段交通流的高度非线性和复杂的演化模式,现有方法往往不能充分利用时空信息,特别是不同时段变化的时间模式和路段的特点。此外,没有同时考虑代表交通状态指标绝对值的全局性和代表相对值的局部性。本文提出了一个神经网络模型,侧重于交通网络的全局性和局部性以及交通数据的时间模式。基于循环的膨胀可变形卷积块被设计为准确地捕获每个节点上的不同时变趋势。我们的模型可以提取全局和局部的空间信息,因为我们结合了两个图卷积网络的方法来学习节点和边缘的表示。在两个真实数据集上的实验表明,该模型能够很好地反映交通数据的时空相关性,其性能优于现有的相关方法。进一步的分析表明,交通网络的局部性和全局性是交通流预测的关键,所提出的TSSRGCN模型可以适应不同的时间交通模式。
2020-11-30 cs.LG
Traffic Graph Convolutional Recurrent Neural Network: A Deep Learning Framework for Network-Scale Traffic Learning and Forecasting
University of Washington(华盛顿大学);INRIX, Inc.(因瑞克斯公司)
交通预测是时空预测中一个极具挑战性的应用,因为交通模式是时变的,而且对道路网络的空间依赖性非常复杂。为了应对这一挑战,我们将交通网络作为一个图来学习,并提出了一种新的深度学习框架,即交通图卷积长短期记忆神经网络(TGC-LSTM),以学习交通网络中道路之间的相互作用,并预测整个网络的交通状态。我们定义了基于物理网络拓扑的流量图卷积。本文还讨论了所提出的业务图卷积与频谱图卷积之间的关系。在模型的损失函数中加入了图卷积权值的L1范数和图卷积特征的L2范数,以增强模型的可解释性。实验结果表明,该模型优于基线方法在两个现实世界的交通状态数据集。图卷积权重的可视化表明,该框架可以识别出现实世界中的交通网络中最有影响力的路段。
2019-11-05 cs.LG stat.ML
Joint Graph Convolution and Sequential Modeling for Scalable Network Traffic Estimation
Carnegie Mellon University(卡内基梅隆大学);University of Southern California(南加州大学);Brown University(布朗大学);Northeastern University(东北大学);Rochester Institute of Technology(罗切斯特理工学院)
针对复杂拓扑下的网络流量预测问题,提出融合GCN空间依赖建模与GRU时间序列建模的时空框架,并在Abilene数据集上通过对比和消融实验验证其优越性能、稳定性与泛化能力。
2025-05-12 cs.LG
FasterSTS: A Faster Spatio-Temporal Synchronous Graph Convolutional Networks for Traffic flow Forecasting
Wuhan University of Technology(武汉理工大学);Zhejiang Sci-Tech University(浙江理工大学)
针对现有交通流预测方法时空建模分离且复杂度高的问题,提出更快速有效的时空同步图卷积网络FasterSTS,以提升预测性能并控制模型复杂度。
2025-01-01 cs.LG
Spatial-Temporal Graph Convolutional Gated Recurrent Network for Traffic Forecasting
Nanjing University(南京大学)
交通预测作为智能交通系统的重要组成部分,引起了学术界和工业界的极大关注。尽管人们提出了许多交通预测方法,但对复杂的时空相关性建模仍然是一个难题。时间依赖包括短期依赖和长期依赖,后者往往被忽视。空间依赖可以分为基于距离的空间依赖和隐藏的空间依赖。为了模拟复杂的时空依赖性,我们提出了一种新的框架,称为时空图卷积门递归网络(STGCGRN)的流量预测。我们设计了一个注意力模块,通过挖掘流量数据中的周期性信息来捕获长期依赖。本文提出了一种双图卷积门控递归单元(DGCGRU),它将图卷积网络和GRU相结合,来捕获空间依赖性。图卷积部分分别用基于距离的预定义邻接矩阵和自适应邻接矩阵对基于距离的空间依赖和隐藏的空间依赖进行建模。特别地,我们采用多头机制来捕获多个隐藏的依赖关系。此外,每个预测节点的周期模式可能不同,这往往被忽略,导致在建模空间依赖性时节点之间的周期信息相互干扰。为此,我们探索了模型的体系结构,并提高了性能。在四个数据集上的实验证明了该模型的优越性能。
2022-10-06 cs.LG
HAGCN : Network Decentralization Attention Based Heterogeneity-Aware Spatiotemporal Graph Convolution Network for Traffic Signal Forecasting
利用图卷积网络(GCN)构建时空网络已成为预测交通信号的最流行方法之一。然而,当使用GCN进行交通速度预测时,传统方法通常将传感器之间的关系假设为齐次图,并使用传感器积累的数据来学习邻接矩阵。然而,传感器之间的空间相关性并没有被指定为一个,而是从不同的视角被不同地定义。为此,我们的目标是研究交通信号数据中固有的异构特性,以各种方式学习传感器之间的隐藏关系。具体来说,我们设计了一种方法来构建一个异构图的每个模块划分为静态和动态模块的传感器之间的空间关系。我们提出了一种基于网络分散注意力的异构感知图卷积网络(HAGCN)方法,该方法通过考虑异构图中每个通道的重要性来聚合相邻节点的隐藏状态。在真实流量数据集上的实验结果验证了该方法的有效性,与现有模型相比,预测性能提高了6.35%,达到了最新水平。
2022-09-05 cs.LG
Fusion Matrix Prompt Enhanced Self-Attention Spatial-Temporal Interactive Traffic Forecasting Framework
Jilin University(吉林大学)
针对交通预测中忽略区域交通相关性与时间切片重要性的局限,提出融合矩阵提示增强自注意力时空交互预测框架FMPESTF,通过构建交通融合矩阵重构动态数据结构并引入分层时空交互学习,在六个真实数据集上显著优于基线模型。
2024-10-12 cs.LG
Spatial-Temporal Feature Extraction and Evaluation Network for Citywide Traffic Condition Prediction
Jilin University(吉林大学);Loughborough University(拉夫堡大学);Tongji University(同济大学)
在智能交通系统中,交通量预测对实现交通控制和调度任务具有重要作用。随着数据源的多样化,合理利用丰富的交通数据对交通流中复杂的时空相关性和非线性特性进行建模是智能交通系统面临的关键挑战。此外,清楚地评估从不同的数据中提取的时空特征的重要性成为一个挑战。提出了一种双层时空特征提取与评价模型(DL-STFEE)。DL-STFEE的底层是时空特征提取层。通过多图卷积和注意力机制提取交通数据中的时空特征,生成不同的时空特征组合。DL-STFEE的上层是时空特征评估层。通过高维自注意机制生成的注意力得分矩阵,对时空特征组合进行融合评价,得到不同组合对预测效果的影响。在实际交通数据集上进行的三组实验表明,DL-STFEE能够有效地捕获时空特征,并评估不同时空特征组合的重要性。
2022-07-22 cs.LG
KST-GCN: A Knowledge-Driven Spatial-Temporal Graph Convolutional Network for Traffic Forecasting
Central South University(中南大学);Hisense TransTech Co., Ltd.(海信网络科技股份有限公司);Zhejiang University(浙江大学)
在考虑交通的空间和时间特征的同时,捕捉各种外部因素对出行的影响是实现准确交通预测的重要一步。然而,现有的研究很少考虑外部因素或忽视外部因素之间复杂的相关性对交通的影响。直觉上,知识图谱可以自然地描述这些相关性。由于知识图谱和交通网络本质上是异构网络,因此在两个网络中集成信息是具有挑战性的。在此背景下,本文提出了一种基于时空图卷积网络的知识表示驱动的交通预测方法。首先,我们构建了一个知识图谱的交通预测和知识表示派生的知识表示学习方法称为KR-学习算法。然后,我们提出了知识融合单元(KF-Cell),将知识和流量特征结合起来,作为时空图卷积骨干网络的输入。在真实世界数据集上的实验结果表明,我们的策略提高了骨干在各种预测范围内的预测性能。烧蚀和扰动分析进一步验证了该方法的有效性和鲁棒性。据我们所知,这是第一个研究,构建和利用知识图谱,以促进交通预测,它也提供了一个有前途的方向,整合外部信息和时空信息的交通预测。源代码可在https://github.com/lehaifeng/T-GCN/tree/master/KST-GCN上获得。
2022-01-19 cs.LG
Data-Driven Traffic Assignment: A Novel Approach for Learning Traffic Flow Patterns Using a Graph Convolutional Neural Network
University of Central Florida(中佛罗里达大学)
我们提出了一种新的数据驱动的方法来学习交通网络的交通流模式,给出了许多实例的起点到目的地(OD)的出行需求和链接流的网络。代替假设某些用户行为(例如,用户平衡或系统最优),在这里我们探索直接从数据中学习这些流模式的想法。为了实现这一思想,我们将交通分配问题转化为一个数据驱动的学习问题,并提出了一个基于神经网络的框架--图卷积神经网络(GCNN)来解决这个问题,该框架有效地描述了交通网络和OD需求,并利用了多个OD需求从节点到路段的扩散过程。我们验证了该模型的解决方案对分析的解决方案,从运行静态用户平衡为基础的交通分配在苏福尔斯和东马萨诸塞州的网络。验证结果表明,所实现的GCNN模型可以很好地学习流模式,在不同的拥塞条件下,两个网络的实际和估计链路流量之间的平均绝对差小于2%。当模型训练完成后,它可以立即确定大规模网络的流量。因此,这种方法可以克服在大规模网络上部署交通分配模型的挑战,并在数据驱动的网络建模中开辟新的研究方向。
2022-02-21 cs.LG
An Attention-Based Multi-Context Convolutional Encoder-Decoder Neural Network for Work Zone Traffic Impact Prediction
University of California, Los Angeles(加州大学洛杉矶分校)
针对施工区交通影响预测研究稀缺的问题,提出数据集成流水线与基于注意力的多上下文卷积编码器-解码器深度学习模型,利用二维时空图像捕捉时空依赖关系,在预测交通速度、事故可能性及拥堵属性上显著优于基线模型。
2024-05-31 cs.LG
Wavelet-Inspired Multiscale Graph Convolutional Recurrent Network for Traffic Forecasting
University of Arizona(亚利桑那大学);Argonne National Laboratory(阿贡国家实验室)
针对交通数据的多尺度时空特性,本文提出 WavGCRN,利用 DWT 分解、多流 GCRN 编码及可学习逆变换解码,并融合先验与数据驱动图结构,实现可解释且性能先进的交通预测。
2024-03-04 cs.LG
Graph Convolutional Network With Pattern-Spatial Interactive and Regional Awareness for Traffic Forecasting
College of Mechanical and Electrical Engineering, Shihezi University(石河子大学机械与电子工程学院);School of Mathematics and Computational Science, Xiangtan University(湘潭大学数学与计算机科学学院);College of Sciences, Shihezi University(石河子大学科学学院)
针对现有交通预测模型忽略交通模式与空间相关性交互、未考虑区域异质性的问题,提出模式-空间交互与区域感知图卷积网络PSIRAGCN,通过交互融合框架和区域感知消息传递提升预测精度,在三个真实数据集上性能优于最优基线且兼顾计算成本。
2025-08-30 cs.LG
Navigating Spatio-Temporal Heterogeneity: A Graph Transformer Approach for Traffic Forecasting
Hongkong University of Science and Technology (Guangzhou)(香港科技大学(广州))
针对交通预测中性能提升递减及未考虑时空异质性的问题,提出STGormer模型,通过整合时空编码与混合专家模块捕获异质性,在真实数据集上实现了最先进的预测性能。
2024-08-25 cs.LG
Spatial-Temporal Graph ODE Networks for Traffic Flow Forecasting
Peking University(北京大学);Alibaba Group(阿里巴巴集团)
时空预测具有广泛的应用前景,交通流预测就是其中的典型代表。交通流的复杂性和大范围的时空相关性给交通流的预测带来了极大的挑战。现有的工作通常利用浅图卷积网络(GNN)和时间提取模块来分别建模空间和时间依赖性。然而,这种模型的表示能力是有限的,因为:(1)浅层GNN无法捕获长距离的空间相关性,(2)只考虑空间连接,而忽略了大量的语义连接,这对于全面理解交通网络非常重要。为此,我们提出了时空图常微分方程网络(STGODE)。具体而言,我们通过基于张量的常微分方程(ODE)捕获时空动态,因此,可以构建更深层次的网络,并同步利用时空特征。为了更全面地理解网络,在我们的模型中考虑了语义邻接矩阵,并使用了一个精心设计的时间扩展卷积结构来捕获长期的时间依赖性。我们在多个真实世界的流量数据集上评估了我们的模型,并在最先进的基线上实现了卓越的性能。
2021-06-24 cs.LG
Spatial-Temporal Hypergraph Neural Network for Traffic Forecasting
Sun Yat-Sen University(中山大学)
针对交通预测中难以捕捉高阶时空依赖的问题,提出STHODE模型,通过自适应MixHop超图ODE网络和超边演化ODE网络分别捕捉高阶空间与时间依赖,在四个真实数据集上表现优越。
2023-10-24 cs.LG
STLGRU: Spatio-Temporal Lightweight Graph GRU for Traffic Flow Prediction
Sungkyunkwan University(成均馆大学);University of California, Riverside(加州大学河滨分校);Cornell University(康奈尔大学)
为解决交通流预测中模型内存消耗大且难以同时捕捉时空依赖的问题,提出轻量级模型STLGRU,通过记忆增强注意力与门控机制同步学习时空关系,在减少参数与内存占用的同时实现了最先进的预测性能和计算效率。
2024-02-19 cs.LG
STAEformer: Spatio-Temporal Adaptive Embedding Makes Vanilla Transformer SOTA for Traffic Forecasting
Southern University of Science and Technology(南方科技大学);The University of Tokyo(东京大学);University of Technology Sydney(悉尼科技大学)
针对交通预测中捕捉复杂时空模式的难题,本研究提出时空自适应嵌入组件,搭配普通Transformer构建的STAEformer在5个真实数据集上达SOTA,验证了该嵌入在捕捉时空关联与时序信息上的关键作用。
2023-10-08 cs.LG
DMGCRN: Dynamic Multi-Graph Convolution Recurrent Network for Traffic Forecasting
Beijing University of Posts and Telecommunications(北京邮电大学)
交通预测是智能交通系统(ITS)的一个重要问题,对个人和公共机构都至关重要。因此,如何处理交通系统复杂的时空相关性以实现准确的预测成为研究的重点。然而,存在两个挑战:1)大多数交通预测研究主要集中在对邻近传感器的相关性进行建模,而忽略了远程传感器的相关性,例如,2)现有的基于静态邻接矩阵的图卷积网络(GCN)方法不足以反映交通系统的动态空间相关性。此外,细粒度的方法,使用自注意力模型的动态相关性的所有传感器忽略了层次信息的道路网络,具有二次计算复杂性。本文提出了一种新的动态多图卷积递归网络(DMGCRN)来解决上述问题,它可以同时对距离的空间相关性、结构的空间相关性和时间相关性进行建模。我们不仅使用基于距离的图来捕获距离近的节点的空间信息,而且构造了一种新的潜在图,该潜在图编码了道路之间的结构相关性,以捕获结构相似的节点的空间信息。此外,我们将每个传感器的邻居划分为粗粒度的区域,并在不同的时间动态地为每个区域分配不同的权重。同时,我们将动态多图卷积网络集成到门控递归单元(GRU)中,以捕获时间依赖性。在三个真实世界的流量数据集上进行的大量实验表明,我们提出的算法优于最先进的基线。
2021-12-04 cs.LG
Traffic map prediction using UNet based deep convolutional neural network
本文描述了我们基于UNet的深度卷积神经网络方法在2019年的Jumic4cast挑战赛上的应用。挑战性的任务是在高分辨率的城市地图上预测未来的交通流量、航向和速度。我们使用基于UNet的深度卷积神经网络训练预测模型进行短期交通预测。在每个卷积块上,层与后续层紧密连接,就像DenseNet一样。通过对从世界上三个不同城市收集的真实世界数据集进行训练和评估,我们的方法在这一挑战中取得了最佳表现。
2019-11-25 cs.LG stat.ML
SST-GNN: Simplified Spatio-temporal Traffic forecasting model using Graph Neural Network
Independent University, Bangladesh(孟加拉国独立大学)
为了捕捉交通数据中的空间关系和时间动态,交通预测的时空模型近年来引起了人们的极大关注。最近的工作大多采用多层图神经网络(GNN)来捕获空间依赖性。然而,具有不同跳距的路口可以携带不同的交通信息,这些交通信息应该单独利用,但是现有的多层GNN无法区分它们的影响。同样,为了捕捉时间的相互关系,递归神经网络在最先进的方法中很常见,这些方法通常无法捕捉长期依赖关系。此外,交通数据显示每天或每周的重复模式,应明确解决。为了解决这些限制,我们设计了一个简化的时空交通预测GNN(SST-GNN),有效地编码的空间依赖性分别聚合不同的邻域表示,而不是与多个层和捕获的时间依赖性与一个简单而有效的加权时空聚合机制。我们捕获的周期性的交通模式,通过使用一种新的位置编码方案与历史和当前的数据在两个不同的模型。通过广泛的实验分析,我们已经表明,我们的模型在性能测量系统(PeMS)的三个真实世界的流量数据集上的表现明显优于最先进的模型。
2021-03-31 cs.LG
Spatial-temporal traffic modeling with a fusion graph reconstructed by tensor decomposition
Guangxi University(广西大学);Beijing Institute of Technology(北京理工大学);Sichuan University(四川大学)
准确的时空交通流预测对于帮助交通管理者采取控制措施和驾驶员选择最优出行路径至关重要。近年来,图卷积网络(GCN)由于其强大的时空相关性捕捉能力而被广泛应用于交通流预测。时空图邻接矩阵的设计是GCN成功的关键,目前仍是一个悬而未决的问题。提出了一种基于张量分解的二进制邻接矩阵重构方法,并提出了一种交通流预测方法。首先,我们将时空融合图邻接矩阵转化为三向邻接张量。然后,我们通过Tucker分解重建邻接张量,其中更多的信息和全局时空依赖性被编码。最后,时空同步图卷积模块的局部时空相关性学习和全局相关性学习的扩张卷积模块组装的道路网络的综合时空依赖性的聚合和学习。在四个开放获取数据集上的实验结果表明,该模型在预测性能和计算成本方面优于最先进的方法。
2022-12-12 cs.LG
Attention-based Spatial-Temporal Graph Neural ODE for Traffic Prediction
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
针对智能交通系统中的交通预测问题,提出基于注意力的图神经常微分方程模型ASTGODE,可显式学习交通系统动力学、聚合多时段交通模式,在两个真实数据集上的均方根误差精度优于现有GNN模型。
2023-05-01 cs.LG
Towards Spatio-Temporal Cross-Platform Graph Embedding Fusion for Urban Traffic Flow Prediction
University of Connecticut(康涅狄格大学)
本文提出了一种新的时空跨平台图嵌入融合方法STC-GEF,用于城市交通流预测。设计了一种基于图卷积网络(GCN)的空间嵌入模块来提取交通流数据中复杂的空间特征。此外,为了捕捉不同时间间隔的交通流数据之间的时间依赖性,我们设计了一个基于递归神经网络的时间嵌入模块。基于不同运输平台行程数据(例如,出租车、Uber和Lyft)可以相互关联,我们设计了一种有效的融合机制,该机制将来自不同交通平台的行程数据组合起来,并进一步将它们用于跨平台交通流预测(例如,整合出租车和共乘平台,用于出租车交通流量预测)。我们基于纽约市黄色出租车和拼车(Lyft)的真实出行数据进行了广泛的真实世界实验研究,并验证了STC-GEF融合不同交通平台数据和预测交通流的准确性和有效性。
2022-08-21 cs.LG
PGCN: Progressive Graph Convolutional Networks for Spatial-Temporal Traffic Forecasting
Korea Advanced Institute of Science and Technology(韩国科学技术院)
提出PGCN交通预测框架,通过在训练和测试阶段逐步适应在线输入数据构建渐进式邻接矩阵,结合膨胀因果卷积提取时空特征,在七个真实数据集上取得一致的最先进性能。
2024-03-21 cs.LG
Unified Spatio-Temporal Modeling for Traffic Forecasting using Graph Neural Network
Independent University Bangladesh(孟加拉独立大学)
近年来,用于预测交通强度的深度学习模型的研究受到了极大的关注,因为它们能够捕获交通数据中复杂的时空关系。然而,大多数最先进的方法已经设计了仅空间(例如,图神经网络)和仅时间(例如,递归神经网络)模块来分别提取空间和时间特征。然而,我们认为,这是不太有效的提取复杂的时空关系与这种因式分解模块。此外,现时大部分的研究都是根据当日前一小时的交通数据,来预测某一时段的交通强度。从而忽略可能存在于最后一小时数据中的重复的每日/每周模式。因此,我们提出了一个统一的时空图卷积网络(USTGCN)的交通预测,通过不同的时间戳节点之间的直接信息传播的帮助下,频谱图卷积的时空图上进行空间和时间的聚合。此外,它还可以捕获前几天的历史每日模式和当前交通数据中的当前模式。最后,我们通过实验分析验证了我们的工作的有效性,这表明,我们的模型USTGCN可以优于国家的最先进的性能在三个流行的基准数据集的性能测量系统(PeMS)。此外,我们提出的USTGCN模型的训练时间显着减少。
2021-04-28 cs.LG
Multivariate and Propagation Graph Attention Network for Spatial-Temporal Prediction with Outdoor Cellular Traffic
National Taiwan University(国立台湾大学);Chunghwa Telecom Laboratories(中华电信研究所);Mobile Drive Technology
时空预测是智能交通领域的一个关键问题,有助于交通控制和事故预防等任务的实现。以前的研究依赖于从传感器收集的大规模交通数据。然而,由于设备和维护成本,不太可能在所有地区部署传感器。本文通过从电信公司每天超过20亿条记录中提取的室外蜂窝流量来解决这个问题,因为用户移动性引起的室外蜂窝流量与交通流量高度相关。我们研究了城市道路交叉口,旨在预测未来的室外蜂窝交通的所有交叉口给定的历史室外蜂窝交通。此外,我们提出了一个新的模型,多变量时空预测,主要由两个扩展的图形注意力网络(GAT)。首先,GAT被用来探索多变量蜂窝流量之间的相关性。另一种GAT利用注意力机制进行图传播,以提高捕获空间依赖性的效率。实验表明,该模型显着优于我们的数据集上的最先进的方法。
2021-08-23 cs.LG
Decoupled Dynamic Spatial-Temporal Graph Neural Network for Traffic Forecasting
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);Huazhong University of Science and Technology(华中科技大学);The University of New South Wales(新南威尔士大学);Aalborg University(奥尔堡大学)
我们都依赖于流动性,车辆运输影响着我们大多数人的日常生活。因此,预测道路网络中的交通状态的能力是重要的功能和具有挑战性的任务。交通数据通常从部署在道路网络中的传感器获得。最近提出的时空图神经网络通过将交通数据建模为扩散过程,在建模交通数据中复杂的时空相关性方面取得了很大进展。然而,直观地说,交通数据包含两种不同类型的隐藏时间序列信号,即扩散信号和固有信号。遗憾的是,几乎所有以前的作品粗略地认为交通信号完全是扩散的结果,而忽略了固有的信号,这对模型的性能产生了负面影响。为了提高建模性能,我们提出了一种新的解耦时空框架(DSTF),它以数据驱动的方式分离扩散和固有的交通信息,其中包括一个独特的估计门和残差分解机制。分离后的信号可以分别由扩散模块和固有模块进行后续处理。此外,我们提出了一个实例化的DSTF,解耦动态时空图神经网络(D2STGNN),捕捉时空相关性,还具有动态图学习模块,目标是学习的动态特性的交通网络。四个真实世界的交通数据集的广泛实验表明,该框架是能够推进国家的最先进的。
2022-09-05 cs.LG
Meta Attentive Graph Convolutional Recurrent Network for Traffic Forecasting
针对现有交通预测方法难以全局捕捉节点特定模式、无法同时建模长短时依赖的问题,提出融合节点特定元模式学习与节点注意力权重生成模块的MAGCRN模型,在6个真实数据集上的长短时预测性能均优于SOTA基线。
2023-08-28 cs.LG
SFADNet: Spatio-temporal Fused Graph based on Attention Decoupling Network for Traffic Prediction
Hangzhou Dianzi University(杭州电子科技大学);Zhejiang University of Technology(浙江工业大学)
针对静态空间建模难以捕捉动态时空关系的问题,本文提出 SFADNet,通过多交通模式划分、交叉注意力自适应融合图及残差图卷积与时序模块提升交通流预测性能。
2025-01-07 cs.LG
Adaptive Graph Convolution Networks for Traffic Flow Forecasting
The Chinese University of Hong Kong (Shenzhen)(香港中文大学(深圳));Huazhong University of Science and Technology(华中科技大学)
针对固定感受野难以适应时变道路状况的问题,本文提出 AGC-net,利用上下文注意力、多尺度图小波和移位图卷积核提升交通流预测性能,并在两个公开数据集上显著优于基线模型。
2023-07-07 cs.LG
STJLA: A Multi-Context Aware Spatio-Temporal Joint Linear Attention Network for Traffic Forecasting
Beijing University of Posts and Telecommunications(北京邮电大学)
随着交通大数据的增加,交通预测逐渐引起了研究者的关注。因此,如何挖掘交通数据中复杂的时空相关性,更准确地预测交通状况成为一个难题。以前的工作将图卷积网络(GCN)和自注意机制与深度时间序列模型(例如递归神经网络)相结合,以单独捕获时空相关性,忽略了跨时间和空间的关系。此外,GCN受到过平滑问题的限制,自注意受到二次问题的限制,导致GCN缺乏全局表示能力,自注意不能有效地捕捉全局空间依赖性。在本文中,我们提出了一种新的深度学习模型,称为多上下文感知时空联合线性注意力(STJLA),它将线性注意力应用于时空联合图,以有效地捕获所有时空节点之间的全局依赖性。更具体地说,STJLA利用静态结构上下文和动态语义上下文来提高模型性能。基于node 2 vec和one-hot编码的静态结构上下文丰富了时空位置信息。此外,基于多头扩散卷积网络的动态空间上下文增强了局部空间感知能力,基于GRU的动态时间上下文稳定了线性注意力的序列位置信息.两个真实世界的流量数据集,英格兰和PEMSD 7,实验表明,我们的STJLA可以实现高达9.83%和3.08%的准确性提高MAE措施比国家的最先进的基线。
2021-12-04 cs.LG
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting
Peking University(北京大学);Beijing Institute of Big Data Research(北京大数据研究院)
及时准确的交通预测是城市交通控制和诱导的关键。由于交通流的高度非线性和复杂性,传统的预测方法往往不能满足中长期预测任务的要求,且往往忽略了时空相关性。在本文中,我们提出了一种新的深度学习框架,时空图卷积网络(STGCN),以解决交通领域的时间序列预测问题。我们没有应用常规的卷积和递归单元,而是将问题公式化在图上,并使用完整的卷积结构构建模型,这可以用更少的参数实现更快的训练速度。实验表明,我们的模型STGCN有效地捕捉全面的时空相关性,通过建模多尺度的交通网络,并始终优于各种现实世界的交通数据集的最先进的基线。
2018-07-12 cs.LG stat.ML
Revisiting Random Forests in a Comparative Evaluation of Graph Convolutional Neural Network Variants for Traffic Prediction
University of Toronto(多伦多大学)
本文系统比较了多种图卷积神经网络变体与随机森林在交通预测中的表现,发现随机森林虽不紧凑但性能可比甚至更优,呼吁未来GCNN研究必须纳入随机森林作为基准比较。
2023-05-30 cs.LG
SUSTeR: Sparse Unstructured Spatio Temporal Reconstruction on Traffic Prediction
Kiel University(基尔大学);GEOMAR Helmholtz Centre for Ocean Research Kiel(基尔亥姆霍兹海洋研究中心)
针对稀疏且空间不规则的交通观测,提出SUSTeR框架,通过残差方式构建隐藏上下文状态,实现交通状态重建与预测。
2025-02-24 cs.LG
TrafficKAN-GCN: Graph Convolutional-based Kolmogorov-Arnold Network for Traffic Flow Optimization
School of Mathematics and Applied Mathematics, University of Nottingham Ningbo China(诺丁汉大学宁波校区数学与应用数学学院);School of Computer Science, University of Nottingham Ningbo China(诺丁汉大学宁波校区计算机科学学院);Department of Electrical and Computer Engineering, University of Washington(华盛顿大学电气与计算机工程系);School of Computer Science, Carnegie Mellon University(卡内基梅隆大学计算机科学学院);School of Engineering, University of Nottingham Ningbo China(诺丁汉大学宁波校区工程学院);School of Computer Science, University College Dublin(都柏林大学学院计算机科学学院);The ADAPT SFI Research Centre(ADAPT SFI研究中心)
本文提出混合深度学习框架TrafficKAN-GCN,结合KAN与GCN以捕捉复杂交通模式与拓扑依赖,在真实数据上实现了高预测精度与鲁棒性,并能有效缓解拥堵与适应突发事件。
2025-04-30 cs.LG
Revisiting Spatial-Temporal Similarity: A Deep Learning Framework for Traffic Prediction
Pennsylvania State University(宾夕法尼亚州立大学)
由于大规模交通数据的可用性及其在现实世界中的重要性,交通预测在人工智能研究领域引起了越来越多的关注。例如,准确的出租车需求预测可以帮助出租车公司预先分配出租车。交通预测的关键挑战在于如何对复杂的空间相关性和时间动态性进行建模。虽然这两个因素都已被考虑在建模中,现有的作品作出强有力的假设空间依赖性和时间动态,即,空间依赖性在时间上是稳定的,而时间动态是严格周期性的。然而,在实践中,空间依赖性可以是动态的(即,随时间变化),并且时间动态从一个周期到另一个周期可能具有一些扰动。在本文中,我们做了两个重要的观察:(1)位置之间的空间依赖是动态的;(2)时间依赖遵循每日和每周的模式,但它不是严格的周期性的动态时间转移。为了解决这两个问题,我们提出了一种新的时空动态网络(STDN),其中引入了流门机制来学习位置之间的动态相似性,并设计了一个周期性转移的注意力机制来处理长期的周期性时间转移。据我们所知,这是在一个统一的框架内处理这两个问题的第一项工作。在真实交通数据集上的实验结果验证了该方法的有效性。
2018-11-03 cs.LG
A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction
针对现有干道交通预测方法忽略空间关系、长时域误差大的问题,提出融合信号相位空间信息的扩散卷积循环神经网络,在阿卡迪亚市交叉口实验中显著降低不同时段30分钟预测的MAPE,且鲁棒性良好。
2020-12-25 cs.LG
ST-Mamba: Spatial-Temporal Selective State Space Model for Traffic Flow Prediction
The University of Sydney Business School(悉尼大学商学院);Newcastle Business School, The University of Newcastle(纽卡斯尔大学纽卡斯尔商学院)
针对交通流预测中多因素整合、计算复杂度与精度平衡的挑战,提出无需图建模的ST-Mamba时空选择性状态空间模型,兼具高精度与高计算效率,刷新了交通流预测的基准性能。
2024-05-18 cs.LG
Spatial-Temporal Interactive Dynamic Graph Convolution Network for Traffic Forecasting
Tongji University(同济大学)
针对现有交通预测方法难以同步捕捉时空依赖、忽略路网节点动态关联的问题,提出含交互学习策略和动态图卷积模块的STIDGCN模型,在四个真实数据集上性能超越当前最优基线。
2022-09-26 cs.AI cs.LG
A Double-Norm Aggregated Tensor Latent Factorization Model for Temporal-Aware Traffic Speed Imputation
College of Computer and Information Science(计算机与信息科学学院);Southwest University(西南大学)
针对交通速度数据缺失问题,提出结合L2和平滑L1范数的TATSI模型,采用SLF-NMU求解器,在三个真实数据集上实现高精度鲁棒的补全。
2025-04-24 cs.LG
Bayesian Spatio-Temporal Graph Convolutional Network for Traffic Forecasting
University of Science and Technology of China(中国科学技术大学)
在交通预测中,图卷积网络(GCN)将交通流建模为时空图,取得了令人瞩目的性能。然而,现有的基于GCN的方法,抽象地定义的图形结构的物理拓扑结构的道路网络,忽略了潜在的依赖关系的图形结构上的交通数据。并且定义的图结构是确定性的,缺乏对不确定性的研究。本文提出了一种用于流量预测的贝叶斯时空图卷积网络(BSTGCN)。我们的网络中的图结构是以端到端的方式从道路网络和交通数据的物理拓扑中学习的,它发现了对交通流之间关系的更准确描述。此外,提出了一种参数生成模型来表示图的结构,从而增强了GCN的泛化能力。我们验证了我们的方法在两个真实世界的数据集上的有效性,实验结果表明,BSTGCN达到优越的性能相比,国家的最先进的方法。
2020-10-15 cs.GR cs.LG
Incorporating dynamicity of transportation network with multi-weight traffic graph convolutional network for traffic forecasting
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
交通量预测问题由于其时空复杂性,一直是智能交通系统中的一个具有挑战性的课题。虽然时间依赖性已经得到了很好的研究和讨论,空间依赖性是相对较少的探讨,由于其巨大的变化,特别是在城市环境。在这项研究中,提出了一种新的图卷积网络模型,多权重交通图卷积(MW-TGC)网络,并应用于两个城市网络的对比几何约束。该模型对速度数据进行多加权邻接矩阵的图卷积运算,以组合速度限制、距离和角度等特征。在组合特征上进行空间隔离的降维操作,以学习特征之间的依赖关系,并将输出的大小减小到计算上可行的水平。多权重图卷积的输出应用于具有长短期记忆单元的序列到序列模型,以学习时间依赖性。当应用到两个城市网站,城市核心和城市混合,MW-TGC网络不仅优于比较模型在这两个网站,但也减少了异质城市混合网络的方差。我们的结论是,MW-TGC网络可以提供一个强大的交通预测性能在空间复杂性的变化,这可能是一个强大的优势,在城市交通预测。
2021-05-26 cs.LG stat.ML
Enhanced Traffic Flow Prediction with Multi-Segment Fusion Tensor Graph Convolutional Networks
Chongqing University of Posts and Telecommunications(重庆邮电大学);Southwest University(西南大学)
本文提出多段融合张量图卷积网络MS-FTGCN,通过张量M-product统一时空建模,并结合小时、日、周组件与注意力融合,在两个数据集上实现了优于现有模型的交通流预测性能。
2024-08-08 cs.IR cs.LG
T-GCN: A Temporal Graph ConvolutionalNetwork for Traffic Prediction
Central South University(中南大学);Georgia Institute of Technology(佐治亚理工学院);Peking University(北京大学);Zhejiang University(浙江大学)
准确、实时的交通预测是智能交通系统的重要组成部分,对城市交通规划、交通管理和交通控制具有重要意义。然而,由于城市道路网络拓扑结构的约束和随时间动态变化的规律,即空间依赖性和时间依赖性,交通预测一直被认为是一个开放的科学问题。为了同时捕捉空间和时间依赖性,提出了一种新的基于神经网络的流量预测方法--时间图卷积网络(T-GCN)模型,该模型结合了图卷积网络(GCN)和门控递归单元(GRU)。具体来说,GCN用于学习复杂的拓扑结构,以捕获空间依赖性和门控递归单元用于学习交通数据的动态变化,以捕获时间依赖性。然后,将T-GCN模型应用于城市道路网络的交通预测。实验表明,我们的T-GCN模型可以从交通数据中获得时空相关性,并且在现实世界的交通数据集上的预测性能优于最先进的基线。我们的T-GCN的tensorflow实现可以在https://github.com/lehaifeng/T-GCN上找到。
2018-12-31 cs.LG stat.ML
PCNN: Deep Convolutional Networks for Short-term Traffic Congestion Prediction
交通问题已经严重影响到人们的生活质量和城市的发展,预测短期交通拥堵对个人和政府都具有重要意义。然而,理解和建模的交通状况可能是非常困难的,我们从实际的交通数据的观察表明,(1)类似的交通拥堵模式存在于相邻的时隙和连续的工作日;(2)交通拥堵的水平有明显的多尺度属性。为了捕捉这些特征,我们提出了一种基于深度卷积神经网络的PCNN方法,对周期性交通数据进行建模,用于短期交通拥堵预测。PCNN有两个关键过程:时间序列折叠和多粒度学习。它首先在时间上折叠的时间序列,并构造一个二维矩阵作为网络的输入,这样的实时交通状况和过去的交通模式都得到了很好的考虑,然后通过一系列的卷积输入矩阵,它是能够模拟本地的时间依赖性和多尺度的交通模式。具体而言,可以在宏观尺度上解决拥塞的全球趋势;而可以在微观尺度上捕获拥塞的更多细节和变化。在真实城市交通数据集上的实验结果证实,将时间序列数据折叠成二维矩阵是有效的,PCNN在短期拥堵预测任务中的性能明显优于基线。
2020-03-16 cs.LG eess.SP
Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting
UNSW(新南威尔士大学);University of Technology Sydney(悉尼科技大学);Griffith University(格里菲斯大学)
在相关的时间序列数据中建模复杂的空间和时间相关性对于理解交通动态和预测不断发展的交通系统的未来状态是必不可少的。最近的工作集中在设计复杂的图神经网络架构,以捕捉共享模式的帮助下,预定义的图。在本文中,我们认为,学习节点特定的模式是必不可少的流量预测,而预定义的图是可以避免的。为此,我们提出了两个自适应模块,以增强图卷积网络(GCN)的新功能:1)节点自适应参数学习(NAPL)模块捕捉节点特定的模式; 2)数据自适应图生成(DAGG)模块,自动推断不同的流量序列之间的相互依赖关系。我们进一步提出了一个自适应图卷积递归网络(AGCRN)自动捕获细粒度的空间和时间相关性的流量序列的基础上的两个模块和递归网络。我们在两个真实世界的流量数据集上的实验表明,AGCRN在没有预定义的空间连接图的情况下,性能明显优于最先进的算法。
2020-10-22 cs.LG stat.ML
Two-Stream Multi-Channel Convolutional Neural Network (TM-CNN) for Multi-Lane Traffic Speed Prediction Considering Traffic Volume Impact
University of Washington(华盛顿大学)
交通速度预测是智能交通系统(ITS)的重要组成部分。近年来,随着深度学习和交通数据科学的快速发展,越来越多的新的交通速度预测模型被设计出来,实现了高精度和大规模的预测。然而,现有的研究有两大局限性。首先,他们预测的是聚合交通速度,而不是车道级交通速度;其次,大多数研究忽略了其他交通流参数对速度预测的影响。为了解决这些问题,我们提出了一个双流多通道卷积神经网络(TM-CNN)模型的多车道交通速度预测考虑交通量的影响。在该模型中,我们首先介绍了一种新的数据转换方法,将原始的交通速度数据和体积数据转换为时空多通道矩阵。然后,我们仔细设计了一个双流深度神经网络,以有效地学习各个车道之间、时空维度上以及速度和体积之间的特征和相关性。因此,一个新的损失函数,考虑体积的速度预测的影响。使用一年数据的案例研究验证了TM-CNN模型,并证明了其优越性。本文主要研究两个方面:(1)交通速度预测;(2)多车道交通流研究。
2019-03-05 cs.LG stat.ML
Spatial-Temporal Adaptive Graph Convolution with Attention Network for Traffic Forecasting
Beijing University of Posts and Telecommunications(北京邮电大学);Didi Research Institute, Didi Chuxing(滴滴出行滴滴研究院)
交通预测是智能交通系统中时空学习任务的一个典型例子。现有的方法在图卷积神经运算符中使用预定矩阵来捕获空间依赖性。然而,显式图结构丢失了节点之间关系的一些隐藏表示。此外,传统的图卷积神经操作符不能聚合图上的长距离节点。为了克服这些限制,我们提出了一种新的网络,时空自适应图卷积与注意力网络(STAAN)的流量预测。首先,我们采用自适应依赖矩阵,而不是使用一个预定义的矩阵在GCN处理来推断节点之间的相互依赖关系。其次,我们集成了基于图注意力网络的PW-注意力,该网络是为全局依赖而设计的,GCN是空间块。更重要的是,堆叠膨胀的一维卷积,在长期预测的效率,采用在我们的时间块捕获不同的时间序列。我们在两个真实世界的数据集上评估了我们的STAAN,实验验证了我们的模型优于最先进的基线。
2022-06-07 cs.GR cs.LG
Multi-Spatio-temporal Fusion Graph Recurrent Network for Traffic forecasting
Zhengzhou University(郑州大学)
交通预测对于新时代智慧城市的交通建设至关重要。然而,交通数据复杂的空间和时间依赖性使得交通预测极具挑战性。现有的交通量预测方法大多依赖于预定义的邻接矩阵来模拟时空相关性。然而,道路交通状态是高度实时的,因此邻接矩阵应随时间动态变化。本文提出了一种新的多时空融合图递归网络(MSTFGRN)来解决上述问题。该网络提出了一种数据驱动的加权邻接矩阵生成方法,以补偿预定义邻接矩阵未反映的实时空间依赖性。它还有效地学习隐藏的时空依赖,通过执行一个新的双向时空融合操作的并行时空关系在不同的时刻。最后,通过将全局注意力机制集成到时空融合模块中,同时捕获全局时空依赖性。在四个大规模的真实交通数据集上进行的广泛试验表明,与替代基线相比,我们的方法实现了最先进的性能。
2022-09-27 cs.AI cs.LG
Dynamic Frequency Domain Graph Convolutional Network for Traffic Forecasting
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);Academy of Cyber(网络研究院)
针对交通预测中数据驱动空间依赖建模受时移和噪声干扰的问题,提出动态频域图卷积网络DFDGCN,结合傅里叶变换、多类图与因果卷积,在四个真实数据集上表现优于基准模型。
2023-12-19 cs.AI cs.LG
Irregular Traffic Time Series Forecasting Based on Asynchronous Spatio-Temporal Graph Convolutional Network
HKUST(GZ)(香港科技大学(广州));Baidu Research(百度研究院);HKUST(香港科技大学);Arizona State University(亚利桑那州立大学);Baidu Inc.(百度公司)
针对自适应信号导致的不规则交通时间序列预测难题,提出异步时空图卷积网络ASeer,通过异步图扩散、个性化时间编码、可变形时间感知卷积与半自回归预测,有效捕捉异步时空依赖并预测变长序列,在六项指标上优于十二个基线。
2024-08-27 cs.AI cs.LG
Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting
University of Southern California(南加州大学);California Institute of Technology(加州理工学院)
时空预测在神经科学、气候和交通领域有着广泛的应用。交通预测是这种学习任务的一个典型例子。这项任务具有挑战性,因为(1)对道路网络的复杂空间依赖性,(2)随着道路条件变化的非线性时间动态,以及(3)长期预测的固有困难。为了解决这些挑战,我们建议将交通流建模为有向图上的扩散过程,并引入扩散卷积循环神经网络(DCRNN),这是一种用于交通预测的深度学习框架,它将交通流的空间和时间依赖性结合起来。具体来说,DCRNN使用图上的双向随机游走来捕获空间依赖性,并且使用具有预定采样的编码器-解码器架构来捕获时间依赖性。我们在两个真实世界的大规模道路网络交通数据集上评估了该框架,并观察到比最先进的基线提高了12% - 15%。
2018-02-22 cs.LG stat.ML
Dynamic Causal Graph Convolutional Network for Traffic Prediction
Tsinghua University(清华大学);University of Cologne(科隆大学);SenseTime Research(商汤科技研究院);The Shanghai AI Laboratory(上海人工智能实验室);Qing Yuan Research Institute of Shanghai Jiao Tong University(上海交通大学清源研究院)
本文提出一种用于交通预测的动态因果图卷积网络,通过嵌入时变动态贝叶斯网络捕捉精细时空拓扑,并利用基于深度学习的超网络生成逐步动态因果图,有效建模非线性交通传播模式,在真实数据集上取得优越的预测性能。
2023-09-07 cs.LG eess.SP